論文の概要: Deep Learning Methods for Universal MISO Beamforming

• arxiv url: http://arxiv.org/abs/2007.00841v2
• Date: Thu, 9 Jul 2020 02:01:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 15:04:05.989597
• Title: Deep Learning Methods for Universal MISO Beamforming
• Title（参考訳）: ユニバーサルミソビームフォーミングのための深層学習法
• Authors: Junbeom Kim, Hoon Lee, Seung-Eun Hong and Seok-Hwan Park
• Abstract要約: このレターは、ダウンリンクマルチユーザマルチアンテナシステムにおけるビームフォーミングベクトルの最適化のためのディープラーニングアプローチについて研究する。 我々は,ビームフォーミング最適化における電力制約の影響を,ディープニューラルネットワーク(DNN)が効果的に学習できるように,和電力予算をサイド情報として活用する。
• 参考スコア（独自算出の注目度）: 19.747638780327257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This letter studies deep learning (DL) approaches to optimize beamforming vectors in downlink multi-user multi-antenna systems that can be universally applied to arbitrarily given transmit power limitation at a base station. We exploit the sum power budget as side information so that deep neural networks (DNNs) can effectively learn the impact of the power constraint in the beamforming optimization. Consequently, a single training process is sufficient for the proposed universal DL approach, whereas conventional methods need to train multiple DNNs for all possible power budget levels. Numerical results demonstrate the effectiveness of the proposed DL methods over existing schemes.
• Abstract（参考訳）: 本文は,基地局での送信電力制限を任意に適用可能なダウンリンクマルチユーザマルチアンテナシステムにおいて,ビームフォーミングベクトルを最適化するための深層学習(DL)アプローチについて検討する。 我々は,ビームフォーミング最適化における電力制約の影響を,ディープニューラルネットワーク(DNN)が効果的に学習できるように,和電力予算をサイド情報として活用する。 その結果、単一のトレーニングプロセスが提案されたユニバーサルDLアプローチに十分であるのに対して、従来の手法では、可能なすべての電力予算レベルに対して複数のDNNをトレーニングする必要がある。 計算結果から,提案手法の既存方式に対する有効性を示した。

関連論文リスト

• Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
  我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。 教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
  論文  参考訳（メタデータ） (2023-05-08T05:40:54Z)
• Deep Learning Methods for Joint Optimization of Beamforming and Fronthaul Quantization in Cloud Radio Access Networks [12.838832724944615]
  クラウド無線ネットワーク(C-RAN)システムでは,AP間の協調ビームフォーミングとフロントハウライズ戦略が不可欠である。 非次元量問題は、AP当たりの電力とフロントホール容量の制約から導かれる。 我々は、よく訓練された深層ニューラルネットワーク(DNN)が存在する深層学習最適化モジュールについて検討する。 提案手法の利点を数値計算により検証した。
  論文  参考訳（メタデータ） (2021-07-06T10:27:43Z)
• Deep Transform and Metric Learning Networks [30.753361147185995]
  本稿では,リニア層とリカレントニューラルネットワークの組み合わせとして,各dl層を定式化し,解くことができる新しい深層dl手法を提案する。 ニューラル・ネットワークとディープ・DLの新たな知見を明らかにし、ディープ・トランスフォーメーションとメトリクスを共同学習する斬新で効率的で競争的なアプローチを提供します。
  論文  参考訳（メタデータ） (2021-04-21T03:10:15Z)
• Learning Robust Beamforming for MISO Downlink Systems [14.429561340880074]
  基地局は、不完全なチャネル状態情報(CSI)とその特徴だけで効率的なマルチアンテナ伝送戦略を特定する。 深層ニューラルネットワーク(DNN)を実世界の伝播環境に合わせて最適化した堅牢なトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-02T09:56:35Z)
• Chance-Constrained Control with Lexicographic Deep Reinforcement Learning [77.34726150561087]
  本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。 有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
  論文  参考訳（メタデータ） (2020-10-19T13:09:14Z)
• Adaptive Serverless Learning [114.36410688552579]
  本研究では,データから学習率を動的に計算できる適応型分散学習手法を提案する。 提案アルゴリズムは, 作業者数に対して線形高速化が可能であることを示す。 通信効率のオーバーヘッドを低減するため,通信効率のよい分散訓練手法を提案する。
  論文  参考訳（メタデータ） (2020-08-24T13:23:02Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)
• Model-Driven Beamforming Neural Networks [47.754731555563836]
  本稿では、一般データおよびモデル駆動ビームフォーミングニューラルネットワーク(BNN)を紹介する。 様々な学習戦略を示し、DLベースのBNNの複雑さの低減についても論じている。 また、BNNの汎用性を向上させるため、トレーニングセットの強化や伝達学習などの強化手法も提供する。
  論文  参考訳（メタデータ） (2020-01-15T12:50:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。